今天聊的这位导师，是香港城市大学电脑科学系的Prof. Linqi Song，官网显示他现在是副教授，同时也是 InnoHK AIFT Lab 的研究科学家。
我个人觉得，这个组最值得看的，不是单纯“论文多不多”，而是它把信息论、机器学习、联邦学习、自然语言处理这些东西放在一起做。对想读博士的人来说，这类组的好处是出口宽；问题也很直接，门槛不会低。
一、方向趋势：为什么这个方向现在还值得看
如果你现在还把这个方向理解成“做几个模型、刷几个 benchmark”，我会劝你把视角放大一点。现在真正被反复提到的，是模型能不能在真实系统里稳定工作，能不能保护数据，能不能在多方数据不能直接共享的情况下继续学习。
这就是为什么我会把 Linqi Song 这个组放到今天来讲。他的公开主页写到的关键词包括 information theory、federated learning、machine learning、natural language processing。听起来很技术，但翻成申请语言就是：你不是只做一个应用点，而是在做“模型、数据、通信、隐私”之间怎么协调。
| 信号 | 我会怎么读 |
|---|---|
| 导师职称 | 副教授，已经过了早期不稳定阶段，但还在扩张期 |
| 研究关键词 | 信息论、联邦学习、自然语言处理、机器学习 |
| 公开学生信号 | OpenReview 可见多名 PhD advisee，说明组内博士培养不是空架子 |
所以我对这个方向的判断是：它不是那种“看起来热闹但很快会退潮”的题。更像是一个底层需求一直在的方向，只是每几年会换一个应用入口。以前是通信和推荐系统，现在是大模型、隐私计算、边缘智能和多智能体系统。
二、导师作为风向标：这类组到底在押什么
看导师时，我不太建议只看 h-index。Google Scholar 页面显示他在 CityUHK 的邮箱已验证，研究标签覆盖 Information Theory、Federated Learning、Natural Language Processing。这个组合其实很有意思。
它不是单纯做 NLP，也不是纯信息论。它更像是在回答一个问题：当数据分散在不同用户、不同机构、不同设备里时，模型还能不能学得好、跑得稳、解释得通？
| 方向 | 适合的学生 |
|---|---|
| 联邦学习 | 有机器学习基础，最好懂一点优化或概率 |
| 自然语言处理 | 做过大模型、文本生成、推理或评测更好 |
| 信息论与系统 | 数学基础要扎实，不适合只会调包的学生 |
如果是我，我会把这个组理解成“偏底层、偏系统、也能接应用”的组。这样的组不一定每篇文章都最抓眼球，但你读完之后，去学术界、去工业界、去做平台型技术，都有话可讲。
三、我会重点写的 3 个 research idea
第一个 idea，是面向大模型的隐私保护协同训练。不要把它写成很空的“保护隐私”。你要具体到：多机构数据不能直接集中，但希望共同提升模型性能，中间的通信成本、攻击风险、模型泛化怎么平衡。
第二个 idea，是把信息论约束放进多智能体学习。这个题很适合有数学背景的人。因为它不是单纯问“模型准不准”，而是问信息传递、协作效率和决策收益之间怎么取舍。
第三个 idea，是面向垂直行业的可信文本生成和评估。比如法律、医疗、金融客服这些场景，不是生成得像人就够了，还要可追溯、可验证、能拒答。这个方向现在很热，但真正能做深的人不多。
| idea | 申请时最好准备什么 |
|---|---|
| 隐私保护协同训练 | 联邦学习、优化、隐私攻击/防御文献 |
| 多智能体信息约束 | 概率、信息论、强化学习基础 |
| 可信文本生成 | 大模型评测、RAG、事实性检测项目 |
四、读完这个博士，路大概怎么走
家长最爱问的一句话是：读完能干嘛？这个问题我觉得要拆开看。
第一条路是进互联网和大模型公司，做算法研究员、NLP 工程师、推荐系统、联邦学习或隐私计算。第二条路是去金融、医疗、政企数据平台，做可信 AI、数据安全、智能风控。第三条路是继续做博士后或教职申请，这条路需要博士期间有稳定的一作论文和清晰研究主线。
但我也要说清楚，什么样的人不太适合。第一，只想追热点、没有数学和代码耐心的人，不太适合。第二，只想做应用 demo、不愿意读理论论文的人，会比较吃力。第三，如果你本科或硕士阶段几乎没有机器学习项目，也没有论文，那直接冲这个组会有点硬。
| 出口 | 更看重什么 |
|---|---|
| 大模型/算法岗 | 论文、代码能力、系统实现 |
| 隐私计算/数据平台 | 工程落地、数据治理、模型安全 |
| 学术路线 | 顶会论文、稳定合作、问题意识 |
五、奖学金和生活费：这笔账要算清楚
家长可能最想知道的就是：香港城市大学读博士，到底要不要家里一直掏钱？
学校研究生院页面写得比较清楚，2025/26 学年研究型研究生助学金基础档是每月 HK$19,100，通过资格考试后高级档是每月 HK$19,600。香港博士研究生奖学金计划在 2026/27 学年给到每年 HK$344,400，折下来大约每月 HK$28,700，另有每年 HK$14,400 的会议及研究差旅津贴。
学费方面，城市大学 College of Computing 页面给出的 2025/26 全日制博士学费约 HK$44,496/年，同时也列了一个生活成本估算：如果住学生宿舍，一年总成本约 HK$134,096；如果校外住宿，一年约 HK$144,496 到 HK$154,496。
我的判断是：拿普通 studentship，基本可以覆盖大部分生活开销，但想存钱不容易；如果拿到 HKPFS，压力会明显小很多。真正要提前准备的是材料，不是等到截止前两周才开始写 RP。
六、如果是我，我会怎么申请这个组
如果是我，我不会上来就写“我对人工智能很感兴趣”。这个开头太泛了。我的第一段会直接写：我做过什么模型、处理过什么数据、遇到过什么限制，这个限制为什么和导师的研究关键词有关。
RP 题目也不要写大。比如“可信大模型研究”太大了，可以缩成“面向多机构文本数据的联邦微调与事实性评估”。这样导师至少能一眼看出你不是只会喊口号。
我不太确定 2027 入学季这个组具体会放几个名额，官网上没有看到一个固定数字。所以更稳的做法，是把套磁写得足够具体，再同时申请院系和 HKPFS。你不能把全部希望压在一个口头回复上。
